AutoKeras 的 Hello World – 建立圖像分類器

在 AI 訓練最常見到的第一個例子，是利用 MNIST 資料集的手寫數字圖像，透過 Deap Learning 的方式讓分類器能正確辨識圖像為 0 – 9。

MNIST 是機器學習領域知名也被廣泛使用的資料集之一，包含 70,000張圖像 ( 60,000 張訓練圖像和 10,000張測試圖像 )，每張圖像都是 28 x 28 像素的灰階圖片。

取得MNIST資料集

可以透過 tensorflow 內建常用的資料集來導入取得 MNIST 資料集。

from tensorflow.keras.datasets import mnist

也由於常見的資料集如上面modules所示，所以一般常用於資料學習的資料集莫過於上面那些，實際應用上如果要建立自己的資料集跟訓練資料，需要另外透過其他的方式來取得。

導入內建資料集的方式非常簡單。

(x_train, y_train) , (x_test, y_test) = mnist.load_data()

建立圖形分類器以及開始訓練

透過 AutoKeras 來建立並訓練圖形分類器，只需要三行程式碼就可以開始訓練。

評估圖形分類器 – evaluate()

evaluate() 會傳回兩個數值，一個是損失值，一個是準確率。

上面預測的準確率與訓練集的準確率很接近，表示沒有過度配適 overfitting 的問題。

輸出&載入訓練好的模型

可以先將圖形分類器輸出成之後需要使用的模型，就不用每次都從頭訓練過。

上面的程式碼可以印出 model 的架構

透過 model.summary() 可以了解目前模型的樣子，而 model.save 會在 Jupyter 檔案底下將模型存成您指定的檔名。

預設的模型會存成一個資料夾，可以透過下面的方式

load_model( ‘檔名’ , custom_objects = ak.CUSTOM_OBJECTS ) 去讀取對應的模型。

使用前記得 import 相關的 load_model 函式

使用載入的 model 預測圖片並產生結果

model.predict () 可以將需要預測的圖片陣列傳入，會回傳並產出對應的結果。